Thông qua đề tài này, nhóm tác giả hy vọng sẽ nhận được những góp ý của giảng viên bộ môn Nguyễn Thúy Quỳnh để hoàn thiện đề tài cũng như ứng dụng tốthơn những kiến thức của bộ môn Dự bá
KHẢO SÁT DỮ LIỆU
Thu thập dữ liệu
Bộ số liệu của bài nghiên cứu bao gồm 86 quan sát từ tháng 1 năm 2016 đến tháng 2 năm 2023, được nhóm nghiên cứu tổng hợp các báo cáo của Tổng cục Thống kê.
Khảo sát dữ liệu
Sau khi thu thập số liệu, nhóm tác giả thực hiện thống kê mô tả giá trị xuất khẩu mặt hàng điện tử, máy tính và linh kiện qua phần mềm Eviews 10 và thu được kết quả như sau:
Bảng 1.1 Mô tả thống kê giá trị xuất khẩu mặt hàng điện tử, máy tính và linh kiện
Giá trị trung vị 2989680 Giá trị lớn nhất 5316342 Giá trị nhỏ nhất 1042007 Độ lệch chuẩn 1133966 Độ xiên 0,151758 Độ nhọn 1,921291
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews
Kết quả mô tả thống kê trên chỉ ra rằng: bộ số liệu gồm có 86 quan sát, trong đó:
Giá trị xuất khẩu trung bình là 3120115 nghìn USD.
Tháng 12 năm 2021, Việt Nam có giá trị xuất khẩu điện tử, máy tính và linh kiện cao nhất, đạt 5316342 nghìn USD.
Tháng 2 năm 2016, giá trị xuất khẩu được ghi nhận là thấp nhất, chỉ còn
1042007 nghìn USD. Độ lệch chuẩn của chuỗi số liệu là 1133966 nghìn USD, tương đối cao so với giá trị trung bình (tương đương 36,34%), cho thấy sự biến động không quá chênh lệch về giá trị xuất khẩu giữa các tháng quan sát.
Kiểm định Jarque-Bera với cặp giả thuyết:
Chuỗi dữ liệu tuân theo phân phối chuẩn
Chuỗi dữ liệu không tuân theo phân phối chuẩn
Từ kết quả bảng trên, P-value = 0,105414 > => Không đủ cơ sở để bác bỏ tại mức ý nghĩa 5% Như vậy, chuỗi dữ liệu tuân theo phân phối chuẩn.
Nhóm tác giả tiến hành khảo sát dữ liệu giá trị xuất khẩu mặt hàng điện tử, máy tính và linh kiện giai đoạn từ tháng 1 năm 2016 đến tháng 2 năm 2023 bằng đồ thị theo thời gian và kết quả thu được như hình sau:
Hình 1.1 Giá trị xuất khẩu mặt hàng điện tử, máy tính và linh kiện giai đoạn 2016 –2/2023 theo tháng
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews
Từ đồ thị trên, ta có thể nhận thấy chuỗi dữ liệu có yếu tố xu thế Giá trị xuất khẩu mặt hàng điện tử, máy tính và linh kiện của Việt Nam giai đoạn từ tháng 1 năm 2016 đến tháng 2 năm 2023 có xu hướng biến động theo chiều hướng tăng lên.
Nhóm tác giả tiếp tục kiểm tra tính mùa vụ của chuỗi dữ liệu bằng đồ thị mùa vụ (Seasonal Graph) và thu được kết quả như sau:
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Hình 1.2 Đồ thị mùa vụ giá trị xuất khẩu mặt hàng điện tử, máy tính và linh kiện giai đoạn 2010-2023 theo tháng
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews
Từ đồ thị trên, ta thấy khoảng cách biên độ giá trị xuất khẩu giữa các khoảng thời gian khá lớn nên chuỗi dữ liệu này có yếu tố mùa vụ Vì vậy, khi chạy mô hình để dự báo cho chuỗi dữ liệu này nên loại bỏ yếu tố mùa vụ để có kết quả dự báo tốt hơn Để chắc chắn hơn, nhóm tác giả sử dụng kiểm định Kruskal-Wallis để kiểm tra tính mùa vụ với cặp giả thuyết như sau:
Chuỗi dữ liệu không có tính mùa vụ
Chuỗi dữ liệu có tính mùa vụ
Do chưa xác định được rõ ràng độ biến động của chuỗi dữ liệu, nên nhóm tác giả sử dụng cả hai mô hình là nhân tính và cộng tính để kiểm định tính mùa vụ của chuỗi dữ liệu Từ đó, xác định mô hình nào có tính chính xác cao hơn Trước hết, nhóm tác giả tiến hành kiểm định Kruskal-Wallis đối với mô hình nhân tính và thu được kết quả như sau:
Bảng 1.2 Kết quả kiểm định Kruskal-Wallis với mô hình nhân tính
Kiểm định df Giá trị P-value
Nguồn: Nhóm tác giả tự tính toán và tổng hợp từ phần mềm Eviews
Từ kết quả trên, ta thấy P-value = 0,0000 < 0,05 => Bác bỏ tại mức ý nghĩa 5% Như vậy, chuỗi dữ liệu có tính mùa vụ.
Nhóm tác giả tiếp tục tiến hành kiểm định Kruskal-Wallis đối với mô hình cộng tính và thu được kết quả như sau:
Bảng 1.3 Kết quả kiểm định Kruskal-Wallis với mô hình cộng tính
Kiểm định df Giá trị P-value
Nguồn: Nhóm tác giả tự tính toán và tổng hợp từ phần mềm Eviews
Từ kết quả trên, ta thấy P-value = 0,0000 < 0,05 => Bác bỏ tại mức ý nghĩa 5% Như vậy, chuỗi dữ liệu có tính mùa vụ.
Kết luận: Từ kiểm định Kruskal-Wallis đối với cả 2 mô hình nhân tính và nhân tính, ta thấy rằng chuỗi dữ liệu theo mô hình nhân tính hoặc cộng tính đều có yếu tố mùa vụ.
1.2.3 Giản đồ tự tương quan, tự tương quan riêng
Hình 1.3 Giản đồ tự tương quan và tự tương quan riêng phần
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 10
Từ giản đồ tự tương quan và tự tương quan riêng phần, ta có thể thấy: Các hệ số tự tương quan ở các độ trễ đầu tiên đều khác 0 và có ý nghĩa thông kê đến độ trễ thứ 24 sau đó giảm dần về 0 tại đỗ trễ thứ 30 Do đó, chuỗi dữ liệu là chuỗi không dừng và có yếu tố xu thế mạnh Ngoài ra, các hệ số tự tương quan khác 0 và có ý nghĩa thống kê tại các độ trễ đúng bằng số mùa vụ nên chuỗi dữ liệu có yếu tố mùa vụ
Nhóm tác giả tiến hành kiểm tra tính dừng của chuỗi dữ liệu thông qua kiểm định nghiệm đơn vị (kiểm định Dickey – Fuller) Cặp giả thuyết của kiểm định là: Chuỗi dữ liệu có nghiệm đơn vị (chuỗi không có tính dừng)
Chuỗi dữ liệu không có nghiệm đơn vị (chuỗi có tính dừng)
Bảng 1.4 Kiểm định tính dừng với chuỗi dữ liệu Y
Kiểm định Thống kê t P-value
Nguồn: Nhóm tác giả tự tính toán và tổng hợp từ phần mềm Eviews
Từ kết quả ở bảng trên, ta thấy: P-value = 0,8109 > 0,05 => Không đủ cơ sở để bác bỏ tại mức ý nghĩa 5% Như vậy, chuỗi dữ liệu ban đầu không có tính dừng tại mức ý nghĩa 5% Từ đó, nhóm tác giả tiếp tục kiểm tra tính dừng của chuỗi sai phân bậc 1 của chuỗi dữ liệu và thu được kết quả như sau:
Bảng 1.5 Kiểm định tính dừng với chuỗi sai phân bậc 1: d(Y)
Kiểm định Thống kê t P-value
Nguồn: Nhóm tác giả tự tính toán và tổng hợp từ phần mềm Eviews 10
Từ kết quả trên, ta thấy: P-value = 0,0316 < 0,05 => Bác bỏ tại mức ý nghĩa 5% Như vậy, chuỗi sai phân bậc 1 của chuỗi dữ liệu ban đầu có tính dừng tại mức ý nghĩa 5%.
Kết luận: Từ chuỗi dữ liệu giá trị xuất khẩu mặt hàng điện tử, máy tính và linh kiện của Việt Nam giai đoạn từ tháng 1 năm 2016 đến tháng 2 năm 2023 cho thấy chuỗi dữ liệu có yếu tố xu thế và có yếu tố mùa vụ và dừng ở sai phân bậc 1.
LỰA CHỌN PHƯƠNG PHÁP DỰ BÁO
Quy trình phương pháp hiệu chỉnh xu thế và mùa vụ
Phương pháp dự báo thô có hiệu chỉnh xu thế và mùa vụ là sự phát triển từ phương pháp dự báo thô với giá trị ước lượng được tính theo công thức sau:
Với s là số mùa vụ trong năm Trong bài tiểu luận nhóm sử dụng dữ liệu theo tháng nên số mùa vụ được tính ở đây là 12.
Quy trình phương pháp san mũ Winter
Phương pháp được sử dụng khi dữ liệu có cả yếu tố xu thế và mùa vụ Tuy nhiên khi sử dụng phương pháp san mũ Winter phải xem xét ảnh hưởng của các yếu tố:
- Mô hình cộng: Ảnh hưởng của yếu tố chu kỳ và thời vụ không liên quan đến mức chung của chuỗi
- Mô hình nhân: Yếu tố thời vụ phụ thuộc yếu tố xu thế và yếu tố chu kì
Phương trình của Winter có dạng:
- Ước lượng giá trị trung bình hiện tại:
- Ước lượng giá trị xu thế:
- Ước lượng giá trị chỉ số mùa vụ:
- Dự báo h giai đoạn trong tương lai:
11.Mô hình nhân: Y + h = (L + h.Tt).St t t + h + p
12.Mô hình cộng: Y + h = L + h.Tt + St t t + h + p
13.St: Ước lượng thời vụ
14.γ: Hằng số san mũ ước lượng thời vụ (0 < γ < 1)
15.h: Số lượng giai đoạn (quan sát) dự báo phía trước
16.p: Số lượng giai đoạn (quan sát) trong chu kỳ thời vụ
Lựa chọn mô hình hiệu quả nhất là mô hình có chỉ số RMSE hoặc MAPE nhỏ nhất trong các mô hình trên.
Phương pháp phân tích
Chuỗi dữ liệu có các đặc điểm như: có yếu tố xu thế, mùa vụ, tuân theo mô hình cộng tính, vì vậy phương pháp dự báo phân tích thành phần của chuỗi thời gian có thể phù hợp với dữ liệu này
Quy trình dự báo bằng phương pháp phân tích gồm 4 bước chính
Bước 1: Nhận dạng dữ liệu
Nhận diện mô hình nhân tính hay mô hình cộng tính bằng cách vẽ hình Từ kết quả khảo sát từ chương 1, có thể nhận thấy chuỗi dữ liệu tuân theo mô hình nhân tính.
Bước 2: Tách yếu tố mùa vụ S – hiệu chỉnh mùa vụ (SA)
Vì đánh giá ban đầu chưa xác định được chuỗi tuân theo mô hình nhân tính hay cộng tính, vì vậy nhóm quyết định thực hiện cả hai mô hình.
Nếu chuỗi Y tuân theo mô hình nhân tính, nhóm tiến hành hiệu chỉnh yếu tố mùa vụ theo bước sau:
Yt = Tt x St x Ct x It
- Làm trơn số liệu bằng trung bình trượt có trọng số s điểm (s là số mùa vụ trong năm)
- Tìm trung bình tỷ số thời vụ của từng mùa vụ Mi (tháng)
- Tính chỉ số thời vụ chung Scaling Factor (i = 1,s):
- Hiệu chỉnh Yt để được ADYt (giá trị đã hiệu chỉnh mùa vụ)
Nếu chuỗi Y tuân theo mô hình cộng tính, nhóm tiến hành hiệu chỉnh yếu tố mùa vụ theo bước sau:
Yt = Tt + St + Ct + It
- Làm trơn số liệu bằng trung bình trượt có trọng số s điểm (s là số mùa vụ trong năm)
- Tính hiệu số: Yt -Y * t ( chênh lệnh thời vụ cho mỗi thời điểm)
- Tìm trung bình tỷ số thời vụ của từng mùa vụ Mi ( tháng)
- Tính chỉ số thời vụ chung Scaling Factor (i = 1,s)
- Hiệu chỉnh Yt để được ADYt (giá trị đã hiệu chỉnh mùa vụ)
Bước 3: Ước lượng hàm xu thế T và dự báo
• Ước lượng chuỗi đã hiệu chỉnh theo t
• Kiểm định mô hình ước lượng
• Mô hình có ý nghĩa không?
• Kiểm định vi phạm giả thiết OLS o Kiểm định LM của Breusch - Godfrey o Kiểm định phương sai sai số thay đổi o Kiểm định Jarque - Bera
Bước 4: Kết hợp yếu tố mùa vụ S để đưa ra kết quả dự báo cuối cùng Đối với mô hình cộng tính: Yf = ADYf + SFi Đối với mô hình nhân tính Yf = ADYf x Sfi
Mô hình ARIMA
Nhận thấy dữ liệu có tính dừng, nhóm quyết định sử dụng mô hình ARIMA
Mô hình ARIMA (Box-Jenkins, 1974) được kết hợp bởi 3 thành phần chính: AR (thành phần tự hồi quy); I (bậc kết hợp của chuỗi dừng sai phân); MA (thành phần trung bình trượt) Đây là mô hình dự báo định lượng theo thời gian, giá trị tương lai của biến số dự báo sẽ phụ thuộc vào xu thế vận động của chính đối tượng đó trong quá khứ Mô hình ARIMA đặc biệt phù hợp cho các dự báo ngắn và trung hạn và cho dữ liệu có tính dừng
● Quy trình dự báo bằng mô hình ARIMA - Phương pháp Box - Jenkins:
- Bước 1: Kiểm tra tính dừng của chuỗi
Trong trường hợp chuỗi không dừng phải thực hiện biến đổi chuỗi thành chuỗi dừng.
- Bước 2: Xác định bậc p của mô hình AR(p) và bậc q của mô hình MA(q) bằng giản đồ tự tương quan riêng (PACF) và tự tương quan (ACF)
- Bước 3: Ước lượng mô hình ARIMA
- Bước 4: Kiểm tra mô hình với các điều kiện giả định của mô hình
Kiểm tra ý nghĩa thống kê của độ trễ cao nhất Trong trường hợp không có ý nghĩa thống kê, thực hiện giảm bớt độ trễ p,q.
Kiểm tra nhiễu của mô hình có phải nhiễu trắng hay không?
Kiểm tra chất lượng dự báo (MAPE 5% là một kết quả khá cao, chưa thực sự phù hợp với mô hình
Ta có phương trình dự báo của phương pháp hiệu chỉnh kết hợp xu thế và mùa vụ như sau: t+1= Yt + 1 - s + (Yt + 1 - s- Yt + 1 - 2s)
Do biến có số mùa vụ s = 12, tạo biến dự báo cho phương pháp ta được kết quả như sau:
Bảng 3.7 Kết quả dự báo theo phương pháp dự báo thô hiệu chỉnh kết hợp xu thế và mùa vụ Đơn vị: Nghìn USD
Tháng Kết quả dự báo
Nguồn: Nhóm tác giả tổng hợp bằng phần mềm Eviews
Nhóm dùng biểu đồ minh họa để quan sát trực quan độ chính xác của dự báo như dưới đây:
Hình 3.4 Giá trị xuất khẩu điện tử, máy tính và linh kiện của Việt Nam trên thực tế và dự báo từ tháng 1/2016 đến tháng 12/2023
Nguồn: Nhóm tác giả tổng hợp bằng phần mềm Eviews
Theo hình đã phân tích trên đây, ta có thể nhận thấy rằng giá trị dự báo chưa sát với thực tế, đặc biệt là ở giai đoạn cuối năm 2022.
Phương pháp san mũ Winter
3.2.1 San mũ Winter với mô hình nhân tính
Tạo biến dự báo thông qua sử dụng ta được kết quả ban đầu như sau:
Bảng 3.8 Thông số và giá trị san của phương pháp san mũ Winter với mô hình nhân tính: Đơn vị: Nghìn USD
Giá trị san cuối cùng Giá trị trung bình 4637733 Giá trị xu thế 42337.38 Giá trị mùa vụ
Nguồn: Nhóm tác giả tổng hợp bằng phần mềm Eviews
Từ kết quả trên, ta viết được phương trình san mũ và dự báo của Winter với mô hình nhân tính như sau: Ước lượng giá trị trung bình hiện tại: L = 0.47* + 0.53*(L + Tt t-1 t-1) Ước lượng giá trị xu thế: T = T t-1 t-1 Ước lượng giá trị chỉ số xu thế: S = St t-12
Dự báo h giai đoạn trong tương lai: 86+h = (3937607.059 + h*42337.38) * Si
Sử dụng tiêu chí MAPE, RMSE để kiểm tra mức độ phù hợp của phương pháp với mô hình:
Bảng 3.9 Các chỉ số đánh giá độ chính xác của mô hình theo phương pháp san mũ Winter với mô hình nhân tính
Nguồn: Nhóm tác giả tổng hợp bằng phần mềm Eviews
Theo Bảng trên, MAPE = 5.45% > 5% là một kết quả vượt qua mức 5%, nhưng vẫn trong khoảng chấp nhận được
Thực hiện dự báo bằng phương pháp san mũ Winter với mô hình nhân tính cho chuỗi, ta được kết quả như sau:
Bảng 3.10 Kết quả dự báo giá trị xuất khẩu điện tử, máy tính và linh kiện của Việt Nam tháng 03 – tháng 12/2023 bằng phương pháp san mũ Winter Đơn vị: Nghìn USD
Tháng Kết quả dự báo
Nguồn: Nhóm tác giả tổng hợp bằng phần mềm Eviews
Nhóm dùng biểu đồ minh họa để quan sát trực quan độ chính xác của dự báo như dưới đây:
Hình 3.5 Giá trị xuất khẩu thực tế và giá trị xuất khẩu dự báo của Việt Nam từ tháng 1/2016 đến hết tháng 12/2023 theo phương pháp san mũ Winter với mô hình nhân tính
Nguồn: Nhóm tác giả tổng hợp bằng phần mềm Eviews
Theo Hình trên, giá trị dự báo xuất khẩu khá sát với giá trị thực tế và đã thể hiện khá đúng bước ngoặt của giá trị thực tế, đặc biệt là trong năm 2020 và 2021 khi dịch COVID-19 xảy ra.
3.2.2 San mũ Winter với mô hình cộng tính
Tạo biến dự báo thông qua sử dụng ta được kết quả ban đầu như sau:
Bảng 3.11 Thông số và giá trị san của phương pháp san mũ Winter với mô hình cộng tính Đơn vị: Nghìn USD
Giá trị san cuối cùng
Giá trị xu thế 42337.38 Giá trị mùa vụ
Nguồn: Nhóm tác giả tổng hợp bằng phần mềm Eviews
Từ kết quả trên, ta viết được phương trình san mũ và dự báo của Winter với mô hình cộng tính như sau:
- Ước lượng giá trị trung bình hiện tại: Lt = 0.35* (Y - S ) + 0.65*(L + T ) t t-12 t-1 t-1
- Ước lượng giá trị xu thế: T = T t t-1
- Ước lượng giá trị chỉ số xu thế: S = St t-12
Dự báo h giai đoạn trong tương lai: 86+h = (3937607.059 + h*42337.38) + Si
Sử dụng tiêu chí MAPE, RMSE để kiểm tra mức độ phù hợp của phương pháp với mô hình:
Bảng 3.12 Các chỉ số đánh giá độ chính xác của mô hình theo phương pháp san mũ Winter với mô hình cộng tính
Nguồn: Nhóm tác giả tổng hợp bằng phần mềm Eviews
Theo Bảng trên, MAPE = 7.18% > 5% là một kết quả vượt qua mức 5% nhưng cũng ở mức chấp nhận được.
Thực hiện dự báo bằng phương pháp san mũ Winter cho chuỗi, ta được kết quả như sau:
Bảng 3.13 Kết quả dự báo giá trị xuất khẩu điện tử, máy tính và linh kiện của Việt Nam tháng 03 – tháng 12/2023 bằng phương pháp san mũ Winter theo mô hình cộng tính Đơn vị: Nghìn USD
Tháng Kết quả dự báo (YF)
Nguồn: Nhóm tác giả tổng hợp bằng phần mềm Eviews
Nhóm dùng biểu đồ minh họa để quan sát trực quan độ chính xác của dự báo như dưới đây:
Hình 3.6 Giá trị xuất khẩu thực tế và giá trị xuất khẩu dự báo của Việt Nam từ tháng 1/2016 đến hết tháng 12/2023 theo phương pháp san mũ Winter theo mô hình cộng tính
Nguồn: Nhóm tác giả tổng hợp bằng phần mềm Eviews
Theo Hình trên, giá trị dự báo xuất khẩu đã sát với giá trị thực tế hơn so với mô hình dự báo thô kết hợp hiệu chỉnh xu thế và mùa vụ, tuy nhiên còn chưa thể hiện sát các biến động ở cuối 2021 và cả năm 2022.
Phương pháp phân tích
Từ kết quả phân tích dữ liệu, nhận thấy dữ liệu có yếu tố xu thế và mùa vụ, tuy nhiên chưa đánh giá được yếu tố cộng tính hay nhân tính, nhóm tác giả đã tách yếu tố mùa vụ và ước lượng hàm xu thế theo cả hai mô hình nhân tính và cộng tính.
Các mô hình được đề xuất như sau:
Trong đó: òi: cỏc hệ số ước lượng et: sai số dự báo
Bảng 3.14 Phân tích các mô hình
Số biến có ý nghĩa thống kê
Phân phối không chuẩn của nhiễu
Nguồn: Nhóm tự tổng hợp từ phần mềm EVIEWS 10
Từ kết quả kiểm định, nhận thấy hàm ước lượng (8) là tốt nhất do không mắc khuyết tật Do đó, nhóm đã ước lượng làm xu thế theo mô hình (8):
Mô hình này có các kiểm định các khuyết tật như sau:
Bảng 3.15 Kiểm định khuyết tật
Kiểm định Kết quả Kết luận
Phương sai sai số thay đổi Prob.F = 0.2236 >5% Mô hình không có PSSS thay đổi
Tự tương quan Prob.F = 0.1479 >5% Mô hình không có tự tương quan
Nhiễu có phân phối chuẩn
Prob.F = 0.5885 >5% Nhiễu của mô hình có phân phối chuẩn
Nguồn: Nhóm tự tổng hợp từ phần mềm EVIEWS 10
Như vậy mô hình không mắc khuyết tật Nhóm tiếp tục kết hợp yếu tố mùa vụ để đưa ra dự báo cho các tháng đến cuối năm 2023:
Bảng 3.16 Kết quả dự báo cho các tháng năm 2023 mô hình phân tích cộng tính Đơn vị: Nghìn USD
Tháng Giá trị dự báo
Nguồn: Nhóm tự tổng hợp từ phần mềm EVIEWS 10
Cuối cùng, nhóm thực hiện tính toán sai số cho mô hình dự báo bằng MAPE và RMSE thu được kết quả:
Bảng 3.17 Các chỉ số MAPE, RMSE của mô hình phân tích cộng tính
Nguồn: Nhóm tự tổng hợp từ phần mềm EVIEWS 10
Nhóm dùng biểu đồ minh họa để quan sát trực quan độ chính xác của dự báo như dưới đây:
Hình 3.7 Giá trị xuất khẩu thực tế và giá trị xuất khẩu dự báo của Việt
Nam từ tháng 1/2016 đến hết tháng 12/2023
Nguồn: Nhóm tự tổng hợp từ phần mềm EVIEWS 10
Các mô hình được đề xuất như sau:
Trong đó: òi: cỏc hệ số ước lượng et: sai số dự báo
Bảng 3.18 Phân tích các mô hình
Số biến có ý nghĩa thống kê
Phân khôngphối chuẩn của nhiễu
Nguồn: Nhóm tự tổng hợp từ phần mềm EVIEWS 10
Từ kết quả kiểm định, nhận thấy hàm ước lượng (8) là tốt nhất do không mắc khuyết tật Do đó, nhóm đã ước lượng làm xu thế theo mô hình (8):
Mô hình này có các kiểm định các khuyết tật như sau:
Bảng 3.19 Kết quả kiểm định khuyết tật
Kiểm định Kết quả Kết luận
Phương sai sai số thay đổi Prob.F = 0.4050
>5% Mô hình không có PSSS thay đổi
>5% Mô hình không có tự tương quan
Nhiễu có phân phối chuẩn Prob.F = 0.5412
>5% Nhiễu của mô hình có phân phối chuẩn
Nguồn: Nhóm tự tổng hợp từ phần mềm EVIEWS 10
Như vậy mô hình không mắc khuyết tật Nhóm tiếp tục kết hợp yếu tố mùa vụ để đưa ra dự báo cho các tháng đến cuối năm 2023:
Bảng 3.20 Kết quả dự báo cho các tháng năm 2023 mô hình phân tích nhân tính Đơn vị: Nghìn USD
Tháng Giá trị dự báo
Nguồn: Nhóm tổng hợp từ phần mềm EVIEWS
Cuối cùng, nhóm thực hiện tính toán sai số cho mô hình dự báo bằng MAPE và RMSE thu được kết quả:
Bảng 3.21 Các chỉ số MAPE, RMSE của mô hình phân tích nhân tính
Nguồn: Nhóm tự tổng hợp từ phần mềm EVIEWS 10
Nhóm dùng biểu đồ minh họa để quan sát trực quan độ chính xác của dự báo như dưới đây:
Hình 3.8 Giá trị xuất khẩu thực tế và giá trị xuất khẩu dự báo của Việt
Nam từ tháng 1/2016 đến hết tháng 12/2023
Nguồn: Nhóm tự tổng hợp từ phần mềm EVIEWS 10
Như vậy, sau khi thử cả hai mô hình nhân tính và cộng tính, nhóm nhận thấy mô hình nhân tính có chỉ số MAPE = 5.641%, nhỏ hơn ở mô hình cộng tính MAPE 7.2006% Do đó, mô hình nhân tính dự báo tốt hơn cho chuỗi số liệu này trong phương pháp phân tích.
Mô hình ARIMA
3.4.1 Mô hình ARIMA cộng tính
Sau khi tách yếu tố mùa vụ khỏi chuỗi, nhóm kiểm định tính dừng bằng phương pháp kiểm định nghiệm đơn vị (Dickey – Fuller)
Bảng 3.22 Kiểm định tính dừng của chuỗi
Chuỗi Kết quả Kết luận y Prob.t = 0.7241 > 5% Chuỗi không dừng d(y) Prob.t = 0.0001